TEK5020/TEK Mønstergjenkjenning
|
|
- Stian Dahl
- 5 år siden
- Visninger:
Transkript
1 Sammendrag og eksempler Innledning UiO : Institutt for teknologisystemer Høsten 2018 (18. august 2018)
2 Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter til én av flere mulige klasser eller kategorier (klassifisering) Beskrive sammensatte objekter eller hele scener består av mange objekter/delobjekter.
3 Hva er mønstergjenkjenning? Eksempler på anvendelser Fjernanalyse (vegetasjonstyper, overvåking av klimaendringer) Automatisk inspeksjon (kvalitetskontroll, flaskeautomater) Medisin (karakterisering av EEG- og EKG-signaler, blodlegemer, kromosomer) Seismisk analyse (oljeleting, kjernefysiske prøver) Talegjenkjenning Karaktergjenkjenning (postnummer, adresser, bilskilt, trykte dokumenter, håndskreven tekst) Maskinsyn (robotsyn), sceneanalyse, bruk i overvåkingssensorer Gjenkjenning av ansikter og fingeravtrykk Økonomi, psykologi (gjenkjenning av tilstander) Arkeologi (klassifisering av gjenstander til ulike kulturer)...
4 Hva er mønstergjenkjenning? Inngangsdata Digitale bilder Tidsrekker (éndimensjonale signaler) Enkle (manuelle) målinger.
5 Hva er mønstergjenkjenning? Metoder Beslutningsteoretiske (statistiske) metoder: Bayesisk beslutningsteori (desisjonsteori) Klassifisering (tilordning av objekter til én av flere mulige klasser) Numerisk informasjon. Strukturelle (syntaktiske) metoder: Syntaktisk angrepsmåte Beskrivelse og klassifisering Symbolsk informasjon, hierarkisk beskrivelse, grammatikk.
6 Metoder Statistiske metoder - eksempel Tallmessig representasjon av objekter basert på f.eks.: Kamera lysstyrke farge form Samlebånd Tilordning av objekter til et endelig antall mulige klasser. Eksempel på bruk av bildeanalyse og mønstergjenkjenning til å skille mellom to typer produkter i en produksjonsprosess, dvs. diskriminering mellom to klasser.
7 Innledning Metoder Strukturelle metoder - eksempel Syntaktisk beskrivelse av skipskontur i form av en streng av primitiver (til venstre), hierarkisk beskrivelse (øverst til høyre) og regelverket (grammatikken) som angir hvilke sammenhenger som er tillatt mellom de ulike elementene (nederst til høyre).
8 Klassifiseringsproblemet Klassifiseringssystem Klassifisering - eksempel på klassifiseringssystem Kamera Egenskapsuttrekker Klassifikator Bjørk Ask Eksempel på klassifiseringssystem for å skille mellom trestykker fra de to klassene bjørk og ask.
9 Klassifiseringsproblemet Egenskapsvektor, egenskapsrom og desisjonsgrenser Egenskapsrom: Egenskapsvektor: x 1 x 2 x =. x d R 1 R 3 R 2 Egenskapsvektor med d komponenten (t.v.) og todimensjonalt egenskapsrom (t.h.) inndelt i desisjonsregioner R 1,R 2 og R 3 for et problem med tre klasser. Det ukjente objektet (svart kvadrat) blir her klassifisert til klasse 2.
10 Feature 2 Innledning Klassifiseringsproblemet Eksempel - objekter fra to klasser Banana Set Feature 1 Todimensjonalt egenskapsrom med sampler fra to klasser (syntetiske data).
11 Feature 2 Innledning Klassifiseringsproblemet Eksempel - objekter fra to klasser (2) Banana Set Feature 1 Det samme egenskapsrommet delt i to desisjonsregioner ved hjelp av en ikke-lineær desisjonsgrense.
12 Klassifiseringsproblemet Metodikk - Ledet læring Treningssett Trening Beslutningsregel Treningsfasen Bruksfasen Ukjent objekt Klassifisering Klasse Illustrasjon av prinsippet for ledet læring. I treningsfasen (analysefasen) brukes et sett av sampler med kjent klassetilhørighet (treningssettet) som input til en av mange mulige treningsmetoder for å generere en beslutningsregel. Denne regelen inngår i klassifikatoren som i bruksfasen (gjenkjenningsfasen) foretar klassifisering av ukjente sampler til (forhåpentligvis) riktig klasse.
13 Klassifiseringsproblemet Klassifiseringssystem Sensor Egenskapsuttrekker Klassifikator! i Typisk klassifiseringssystem. En sensor henter inn rådata fra objekter i omverdenen. Egenskapsuttrekkeren bearbeider rådataene og henter ut informasjon om de ukjente objektene i form av et sett av egenskaper for hvert objekt. Egenskapsvektorene sendes deretter til klassifikatoren, som tilordner objektene til én av flere mulig klasser. Systemet foretar en stor grad av datareduksjon på veien fra rådata til klasse.
14 Mønstergjenkjenningsmetoder
15 Hjelpemidler Programvare Matlab: Statistics and Machine Learning Toolbox Neural Network Toolbox Computer Vision System Toolbox Image Processing Toolbox PRtools ( - gratis toolbox til Matlab perclass ( OpenCV ( - gratis (C++, Python, Matlab) Octave ( - gratis alternativ til Matlab...
16 Oversikt Innhold i kurset Beslutningsteori (desisjonsteori) Parametriske metoder Ikke-parametriske metoder Lineære og generaliserte diskriminantfunksjoner Feilrateestimering og evaluering av klassifikatorer Ikke-ledet læring Klyngeanalyse.
Unik4590/Unik9590/TTK Mønstergjenkjenning
Sammendrag og eksempler UiO : Institutt for teknologisystemer Høsten 2017 (14. august 2017) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning ˆ Gjenkjenne objekter - tilordne objekter til én
DetaljerUnik4590/Unik9590/TTK Mønstergjenkjenning
Sammendrag og eksempler Universitetssenteret på Kjeller Høsten 2016 (17. august 2016) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter til én av flere
DetaljerInnledning Beslutningsteori Parametriske metoder Ikke-parametriske metoder Diskriminantfunksjoner Evaluering Ikke-ledet læring Klyngeanalyse Oversikt
Oversikt Innhold i kurset Beslutningsteori (desisjonsteori) Parametriske metoder Ikke-parametriske metoder Lineære og generaliserte diskriminantfunksjoner Feilrateestimering og evaluering av klassifikatorer
DetaljerInnledning Beslutningsteori Parametriske metoder Ikke-parametriske metoder Diskriminantfunksjoner Evaluering Ikke-ledet læring Klyngeanalyse Oversikt
Oversikt Innhold i kurset Beslutningsteori (desisjonsteori) Parametriske metoder Ikke-parametriske metoder Lineære og generaliserte diskriminantfunksjoner Feilrateestimering og evaluering av klassifikatorer
DetaljerGeneralisering til mange klasser - feilrettingsmetodene
Mange klasser Generalisering til mange klasser - feilrettingsmetodene Kesslers konstruksjon - omskriving av c-klasseproblemet til et toklasseproblem. Her innføres en sammensatt vektvektor a og et sett
DetaljerDimensjonalitetsproblemer (3)
Dimensjonalitetsproblemer Dimensjonalitetsproblemer (3) Ved å inkludere flere uavhengige egenskaper der µ i1 6= µ i2 i egenskapsvektoren vil r 2 øke og P(e) avta, slik at: P d+1 (e) apple P d (e). Dette
DetaljerFFI-RAPPORT. Teknologiske muligheter for Tolletaten. mønstergjenkjenning og maskinlæring
FFI-RAPPORT 17/17026 Teknologiske muligheter for Tolletaten mønstergjenkjenning og maskinlæring - Idar Dyrdal Lars Aurdal Kristin Hammarstrøm Løkken Thor Engøy Teknologiske muligheter for Tolletaten mønstergjenkjenning
DetaljerTEK5020/TEK Mønstergjenkjenning
Sammendrag og eksempler Lineære diskriminantfunksjoner (Gradientsøk, perceptronmetoden) UiO : Institutt for teknologisystemer Høsten 2018 (22. oktober 2018) Diskriminantfunksjoner Utvidet egenskapsrom
DetaljerUnik4590/Unik9590/TTK Mønstergjenkjenning
Sammendrag og eksempler Universitetssenteret på Kjeller Høsten 2016 (15. oktober 2016) Hva er mønstergjenkjenning? Formålet med mønstergjenkjenning Gjenkjenne objekter - tilordne objekter til én av flere
DetaljerOptisk lesing av en lottokupong
Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33506 Bildebehandling og mønstergjenkjenning Laboppgave nr 4 Optisk lesing av en lottokupong Halden 22.10.2012 17.10.12 Mindre revisjon Log
DetaljerPraktisk bruk av maskinlæring i vedlikehold
Praktisk bruk av maskinlæring i vedlikehold MainTech konferansen 2018 Andreas Marhaug. Trondheim 04.04.2018 Alpinlandslaget https://www.dagbladet.no/sport/osterrike-og-sveits-fortviler-etter-norskalpinrevolusjon---hva-i-all-verden-driver-norge-med/67657591/amp
DetaljerOptisk lesing av en lottokupong
Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33506 Bildebehandling og mønstergjenkjenning Laboppgave nr 4 Optisk lesing av en lottokupong Halden 20.10.2011 17.10.11 Mindre revisjon Log
DetaljerIN2110 Obligatorisk innlevering 1a
IN2110 Obligatorisk innlevering 1a Oppsett Leveres innen fredag 15. februar kl. 23.59 i Devilry. For IN2110 har vi laget et utviklingsmiljø for Python som inneholder programvare og data for de obligatoriske
DetaljerUNIK 4690 Maskinsyn Introduksjon
UNIK 4690 Maskinsyn Introduksjon 21.01.2016 Trym Vegard Haavardsholm (trymh@ifi.uio.no) Idar Dyrdal (idar@unik.no) Thomas Opsahl (Thomas-Olsvik.Opsahl@ffi.no) Ragnar Smestad (Ragnar.Smestad@ffi.no) Maskinsyn
DetaljerEksamen - INF 283 Maskinlæring
Eksamen - INF 283 Maskinlæring 23 feb. 2016 Tid: 3 timer Eksamen inneholder 15 oppgaver, som vil bli vektet likt ved evaluering. 1 Table 1 attributt antall personer forsørget av låntaker månedlig inntekt
DetaljerSampling av bilder. Romlig oppløsning, eksempler. INF Ukens temaer. Hovedsakelig fra kap. 2.4 i DIP
INF 2310 22.01.2008 Ukens temaer Hovedsakelig fra kap. 2.4 i DIP Romlig oppløsning og sampling av bilder Kvantisering Introduksjon til pikselmanipulasjon i Matlab (i morgen på onsdagstimen) Naturen er
DetaljerDyp læring. Sigmund Rolfsjord
Dyp læring Sigmund Rolfsjord Oversikt 1. Grunnleggende om dyp læring og nevrale nett 2. Konvolusjonsnett 3. Synsfelt med konvolusjonsnett Lær mer: Kurs fra Stanford: http://cs231n.stanford.edu/ Mer inngående
DetaljerEN LITEN INNFØRING I USIKKERHETSANALYSE
EN LITEN INNFØRING I USIKKERHETSANALYSE 1. Forskjellige typer feil: a) Definisjonsusikkerhet Eksempel: Tenk deg at du skal måle lengden av et noe ullent legeme, f.eks. en sau. Botemiddel: Legg vekt på
DetaljerMUS Lydanalyse
MUS4831 - Lydanalyse 31 oktober 2013 Denne forelesningen: Gjennomgang av Oppgave 3 Tips til semesteroppgaven Music Information Retrieval del 2: Sound, mønstre, likhet, osv. Teoretisk og praktisk Obligatorisk
DetaljerOptisk lesing av en lottokupong
Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33505 Bildebehandling og mønstergjenkjenning Laboppgave nr 4 Optisk lesing av en lottokupong Sarpsborg 03.02.2005 01.02.05 Ny oppgave Log LMN
DetaljerMange definisjoner. Hva er datagruvedrift (data mining)?
Hva er datagruvedrift (data mining)? Mange definisjoner Ikke-triviell uttrekking av implisitt, tidlegere ukjent, og potensiell nyttig informasjon fra data Utforskning og analyse, automatisk eller semiautomatisk,
DetaljerAnbefalt løp etter basisblokka for spesialisering i anvendt matematikk: MAT-3941 Master s thesis in applied physics and mathematics
ANVENDT MATEMATIKK En spesialisering innen anvendt matematikk er rettet mot utvikling av matematiske og numeriske modeller som har relevans for kjemi, biologi og fysikk. Gruppa i anvendt matematikk kan
DetaljerFingeravtrykk til autentisering. hvor gode er dagens løsninger?
Fingeravtrykk til autentisering - hvor gode er dagens løsninger? Kåre Presttun kaare@mnemonic.no Agenda Autentisering og identifisering Sterk autentisering Biometriske metoder Autentisering med fingeravtrykk
DetaljerINF1040 Digital representasjon
INF1040 Digital representasjon av tekster, tall, former, lyd, bilder og video Forelesere: Gerhard Skagestein Fritz Albregtsen Første forelesning: Onsdag 23. august 12:15 14:00, Sophus Lies Auditorium.
DetaljerIkke-separable problemer
Feilrettingsmetoder Ikke-separable problemer Feilrettingsmetodene konvergerer under gitte betingelser til løsningsvektorer for lineært separable problemer, men kan også gi gode resultater på ikke-separable
Detaljer«Big data» bedrer punktligheten
«Big data» bedrer punktligheten 28.november 2017 Sverre Kjenne Digitalisering og teknologi 73,7 million passengers 1.900 trains per day 336 stations 4.500 employees Bane NOR by numbers 12 freight terminals
Detaljer21.09.2015. Mer enn bare et kamera (Publisert versjon, inneholder bare FFIs egne bilder.) Bilder kommer fra mange kilder
Bilder kommer fra mange kilder Mer enn bare et kamera (Publisert versjon, inneholder bare FFIs egne bilder.) Torbjørn Skauli og Trym Haavardsholm Optisk avbildning - et felt i forandring Hva kan et kamera
DetaljerBruksanvisning Unitronics Vision
Bruksanvisning Unitronics Vision Ole Einar Moe Innhold 1 Oppsett... 1 1.1 PLS... 1 1.2 Datamaskin... 2 1.3 Kommunikasjon... 2 2 Planlegging... 6 2.1 Digitale Inn/Ut ganger... 6 2.2 Analoge Inn/Ut ganger...
DetaljerPrøveeksamen IN1000. IN Prøveeksamen. Dato november 2017 Tid 12:30-12:00 Alle trykte og skrevne hjelpemidler er tillatt.
IN000-207-Prøveeksamen Prøveeksamen IN000 Dato 3-20. november 207 Tid 2:30-2:00 Alle trykte og skrevne hjelpemidler er tillatt. Les nøye gjennom oppgavene før du løser dem. Du kan legge dine egne forutsetninger
DetaljerInnhold uke 9. Objektorientert programmering i Python. Om ukens pensum. Referanser og objekter Tema: Mer komplekse strukturer
Objektorientert programmering i Python IN1000 Høst 2017 uke 9 Siri Moe Jensen Innhold uke 9 Tema: Mer komplekse strukturer Referanser versus objekter Referanser mellom objekter Lister av objekter inkl
DetaljerAnvendt Maskinlæring. MainTech Konferansen Anton Eskov, Data Scientist, Inmeta.
Anvendt Maskinlæring MainTech Konferansen - 2017 Anton Eskov, Data Scientist, Inmeta www.inmeta.no 130 Ansatte Oslo & Trondheim Solid og lønnsomt selskap Del av Crayon Group med over 1000 ansatte Portal
Detaljerting å gjøre å prøve å oppsummere informasjonen i Hva som er hensiktsmessig måter å beskrive dataene på en hensiktsmessig måte.
Kapittel : Beskrivende statistikk Etter at vi har samlet inn data er en naturlig første ting å gjøre å prøve å oppsummere informasjonen i dataene på en hensiktsmessig måte. Hva som er hensiktsmessig måter
DetaljerGrafisk løsning av ligninger i GeoGebra
Grafisk løsning av ligninger i GeoGebra Arbeidskrav 2 Læring med digitale medier 2013 Magne Svendsen, Universitetet i Nordland Innholdsfortegnelse INNLEDNING... 3 GRAFISK LØSNING AV LIGNINGER I GEOGEBRA...
DetaljerMaskin læring et praktisk eksempel
Maskin læring et praktisk eksempel Introduksjon og erfaringer fra forprosjekt Alcoa Gunnar Andreas Aarvold Mo I Rana Olje & Gassklynge Helgeland 14.02.2018 Mål for møtet: Hva er prediktivt vedlikehold?
DetaljerBred profil på statistikk?
Bred profil på statistikk? Geir Storvik Juleseminar CSE 30. November 2012 Statistikk Statistikk involverer innsamling, organisering, analysering, tolkning og presentasjon av data Sentralt: Ta hensyn til
DetaljerGrunnleggende om Digitale Bilder (ITD33515)
Grunnleggende om Digitale Bilder (ITD33515) Lars Vidar Magnusson January 13, 2017 Delkapittel 2.2, 2.3, 2.4 og 2.5 Lys og det Elektromagnetiske Spektrum Bølgelengde, Frekvens og Energi Bølgelengde λ og
DetaljerHvem vil ha råtne epler i kurven?
Hvem vil ha råtne epler i kurven? Bruk av visionteknologi i matanvendelser Jens T. Thielemann, SINTEF IKT jtt@sintef.no Agenda Kort om SINTEF IKT/Optiske målesystemer Visionteknologi Hvor har teknologien
DetaljerMatematisk morfologi V
Matematisk morfologi V Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Copyright Lars Aurdal, NTNU/NR Oversikt, kursdag 5 Segmentering: Watershedtransformen. Copyright Lars Aurdal, NTNU/NR
DetaljerSMF3081F Videregående metodekurs
SMF3081F Videregående metodekurs - 2016-2017 Emnekode: SMF3081F Emnenavn: Videregående metodekurs Faglig nivå: Bachelor (syklus 1) Studiepoeng: 5 Varighet: Høst Varighet (fritekst): Høst Språk: Norsk Forutsetter
DetaljerUtforsking av funksjonsuttrykk og de tilhørende grafene ved hjelp av GeoGebra
Anne-Mari Jensen Utforsking av funksjonsuttrykk og de tilhørende grafene ved hjelp av GeoGebra Innledning I ungdomsskolen kommer funksjoner inn som et av hovedområdene i læreplanen i matematikk. Arbeidet
DetaljerGir vi IKT-kandidatene egnet kompetanse for fremtiden? Morten Dæhlen Dekan
Gir vi IKT-kandidatene egnet kompetanse for fremtiden? Morten Dæhlen Dekan Lange linjer i utviklingen av IKT-faget/informatikk Hvordan blir (IKT-)utdanninger til? Digital kompetanse i bredden og på alle
DetaljerEKSAMEN. EMNEANSVARLIG: Terje Bokalrud og Hans Petter Hornæs. TILLATTE HJELPEMIDLER: Kalkulator og alle trykte og skrevne hjelpemidler.
KANDIDATNUMMER: EKSAMEN EMNENAVN: EMNENUMMER: Kvalitetsledelse med Statistikk. SMF2121 EKSAMENSDATO: 1. juni 2010 KLASSE: Ingeniørutdanning TID: kl. 9.00 13.00. EMNEANSVARLIG: Terje Bokalrud og Hans Petter
DetaljerIKTiSU KJ1041 Pilotprosjekt. Eirik Hjertenæs og Henrik Koch Høsten 2013
IKTiSU KJ1041 Pilotprosjekt Eirik Hjertenæs og Henrik Koch Høsten 2013 KJ1041- Kjemisk binding, spektroskopi og kinetikk Obligatorisk emne for MTKJ i 2. klasse og BKJ 3. klasse Teoretisk fundament for
DetaljerINF1510 Oblig #1. Kjetil Heen, februar 2016
INF1510 Oblig #1 Kjetil Heen, februar 2016 1 2 Etch-a-sketch Det ferdige sluttproduktet skal simulere en klassisk leke, Etch-a-sketch, et tegnebrett, hvor man tegner på en flate ved å skru på 2 hjul, og
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
DetaljerSMF3081F Videregående metodekurs
SMF3081F Videregående metodekurs - 2015-2016 Emnekode: SMF3081F Emnenavn: Videregående metodekurs Faglig nivå: Bachelor (syklus 1) Studiepoeng: 5 Varighet: Høst Språk: Norsk Forutsetter bestått: REA1131F
DetaljerMønstergjenkjenning i bildesekvenser
1 Mønstergjenkjenning i bildesekvenser Mønstergjenkjenning i bildesekvenser Line Eikvil og Ragnar Bang Huseby Kveldsseminar i bildeanalyse, 6. mai 00 : Ønsker å se på bildesekvenser i sammenheng for å:
DetaljerMUS Lydanalyse
MUS4831 - Lydanalyse 22 august 2013 Hovedmålsetning Å kunne knytte flest mulig forbindelser mellom musikkopplevelsen og lyden, med andre ord: å bli en enda bedre lytter Hovedområder 1 Lyd, signal, representasjoner,
DetaljerEKSAMEN I EMNE TDT4195 BILDETEKNIKK ONSDAG 3. JUNI 2009 KL. 09.00 13.00
Side 1 av 5 EKSAMEN I EMNE TDT4195 BILDETEKNIKK ONSDAG 3. JUNI 2009 KL. 09.00 13.00 Oppgavestillere: Kvalitetskontroll: Richard Blake Jo Skjermo Torbjørn Hallgren Kontakt under eksamen: Richard Blake tlf.
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2100 - FASIT Eksamensdag: Torsdag 15. juni 2017. Tid for eksamen: 09.00 13.00. Oppgavesettet er på 5 sider. Vedlegg: Tillatte
DetaljerEKSAMEN TTK4175 INSTRUMENTERINGSSYSTEMER. Torsdag 26. Mai 2005 Tid: kl Sensurfrist 16. Juni Totalt 4 timer
Fakultet for elektroteknikk og telekommunikasjon Institutt for teknisk kybernetikk Faglig kontakt under eksamen Navn: Tor Onshus Tlf.: (735) 94388 EKSAMEN I TTK4175 INSTRUMENTERINGSSYSTEMER Torsdag 26.
DetaljerDagens plan. INF3170 Logikk. Obliger og eksamen. Forelesning 1: Introduksjon. Utsagnslogikk og sekventkalkyle. Arild Waaler. 21.
INF3170 Logikk Dagens plan Forelesning 1: Introduksjon. og sekventkalkyle Arild Waaler Institutt for informatikk, Universitetet i Oslo 1 Praktisk informasjon 2 21. januar 2008 3 Institutt for informatikk
DetaljerAnalyse av luktedata
Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33505 Bildebehandling og mønstergjenkjenning Laboppgave nr 6 Analyse av luktedata Sarpsborg 18.02.2005 18.02.05 Log GKS Log, GKS 07.10.03 Ny
DetaljerMET 3431: Statistikk (våren 2011) Introduksjon. Genaro Sucarrat. Institutt for samfunnsøkonomi, BI. http://www.sucarrat.net/teaching/met3431/v2011/
MET 3431: Statistikk (våren 2011) Introduksjon Genaro Sucarrat Institutt for samfunnsøkonomi, BI http://www.sucarrat.net/teaching/met3431/v2011/ Sist endret: 11. januar 2011 1 Praktisk info 2 Typer data
Detaljer6.4 (og 6.7) Gram-Schmidt prosessen
6.4 (og 6.7) Gram-Schmidt prosessen La W {0} være et endeligdimensjonalt underrom av et indreprodukt rom V. Man kan starte med en vanlig basis for W og konstruere en ortogonal basis for W. Ønskes det en
DetaljerINNHOLDSFORTEGNELSE Bakgrunn... 3 Maskinsynsystemet... 4 Resultater... 9 Praktisk nytte av systemet... 12 Videre arbeid... 13 Konklusjon...
2 INNHOLDSFORTEGNELSE 1 Bakgrunn...3 2 Maskinsynsystemet...4 2.1 Eksempler på defekte kroker...5 2.2 Parametere for klassifisering av krok...7 3 Resultater...9 4 Praktisk nytte av systemet...12 5 Videre
DetaljerHØGSKOLEN I BERGEN Avdeling for ingeniørutdanning
HØGSKOLEN I BERGEN Avdeling for ingeniørutdanning Eksamen i SOD 165 Grafiske metoder Klasse : 3D Dato : 15. august 2000 Antall oppgaver : 4 Antall sider : 4 Vedlegg : Utdrag fra OpenGL Reference Manual
DetaljerÅRSRAPPORT FRA PROGRAMSENSOR
ÅRSRAPPORT FRA PROGRAMSENSOR Navn: Bjørn H. Auestad Prgramsensr fr Masterprgram i statistikk ved Det matematisk-naturvitenskapelige fakultet, Universitetet i Bergen Oppnevnt fr årene 2011-2014. Rapprten
DetaljerBestilling av nye kurs
DataPower Learning Online Bestilling av nye kurs for bedriftskunder Versjon 2.x OKOKOK 1 Nye kurs Logg på nettbutikken Når du først er registrert som kunde i nettbutikken er det nok å logge seg på med
DetaljerMATEMATIKK kjennetegn på måloppnåelse HOVEDOMRÅDE Tall og algebra:
MATEMATIKK kjennetegn på måloppnåelse HOVEDOMRÅDE Tall og algebra: 1. sammenligne og regne om mellom hele tall, desimaltall, brøker, prosent, promille og tall på standardform, uttrykke slike tall på varierte
DetaljerUNIK 4690 Maskinsyn Introduksjon
UNIK 4690 Maskinsyn Introduksjon 19.01.2017 Trym Vegard Haavardsholm (trymh@ifi.uio.no) Idar Dyrdal (idar@unik.no) Thomas Opsahl (Thomas-Olsvik.Opsahl@ffi.no) Ragnar Smestad (Ragnar.Smestad@ffi.no) Maskinsyn
Detaljernorsk grammatikk bok C2FFB2EE7079E5C7671E474DBC1B7657 Norsk Grammatikk Bok
Norsk Grammatikk Bok Thank you for downloading. As you may know, people have look hundreds times for their favorite books like this, but end up in malicious downloads. Rather than enjoying a good book
DetaljerVektorligninger. Kapittel 3. Vektorregning
Kapittel Vektorligninger I denne uken skal vi bruke enkel vektorregning til å analysere lineære ligningssystemer. Vi skal ha et spesielt fokus på R, for det går an å visualisere; klarer man det, går det
DetaljerBayesisk estimering. Tettheten i punkt x er her gitt ved: der p(q X ) er áposterioriparameterfordelinggitt ved: p(q X )=
Bayesisk estimering Bayesisk estimering Tettheten i punkt x er her gitt ved: Z p(x X )= p(x q)p(q X )dq der p(q X ) er áposterioriparameterfordelinggitt ved: p(q X )= p(x q)p(q) R p(x q)p(q)dq og p(x q)
DetaljerSIE 4005, 9/10 (4. Forelesn.)
SIE 4005, 9/10 (4. Forelesn.) Tredje forelesning: 8.1 The control unit 8.2 Algorithmic state machines 8.3 Design example: Binary multiplier 8.4 Hardwired Control Fjerde forelesning: litt repetisjon 8.4
DetaljerHyperspektralt kamera Forsker Torbjørn Skauli. Kaffemaskin. Datamaskin
Hyperspektralt kamera Forsker Torbjørn Skauli Kaffemaskin Datamaskin Forsker Torbjørn Skauli Oppvokst på Romsås, i femte etasje interessert i teknikk som gutt flink på skolen Naturfaglinjen på videregående
DetaljerEr kunstig intelligens vår venn?
Meröppet - mer än bara mer öppet! Malmø 9. november 2018 Er kunstig intelligens vår venn? Andrea Gasparini (Digitale tjenester, UBO og IFI, Universitetet i Oslo) Denne presentasjon omhandler om bruk av
DetaljerErik Espe, Viatech as, Kongsberg. Teknologidagene 2012
Erik Espe, Viatech as, Kongsberg Teknologidagene 2012 Introduksjon Det er 15 operative ViaPPS biler i landet, fra Nordkapp til Lindesnes Disse kjører regulære spor- og jevnhetsmålinger Alle riks- og fylkesveier
DetaljerLokal læreplan 9 trinn matematikk
Lokal læreplan 9 trinn matematikk Lærebok: Gruntal Antall uker Geometri i planet Gruntall 9 153-198 11 utføre, beskrive og grunngi geometriske konstruksjoner med passer og linjal (og dynamiske geometriprogram)
DetaljerHalvårsplan i norsk 3.trinn våren 2018 Karuss skole
Ord for farge Ord for tid: månedene og årstidene Lureord: Ord med o for å 1 Mål fra kunnskapsløftet Læringsmål Læringsressurser Vurdering Skrive enkle fortellende, beskrivende og argumenterende tekster.
DetaljerDagens plan. INF3170 Logikk. Induktive definisjoner. Eksempel. Definisjon (Induktiv definisjon) Eksempel
INF3170 Logikk Dagens plan Forelesning 2: Induktive definisjoner, utsagnslogikk og sekventkalkyle Christian Mahesh Hansen Institutt for informatikk, Universitetet i Oslo 1 Induktive definisjoner 2 29.
DetaljerHVA SA ODDVAR BRÅ DA HAN BRAKK STAVEN?
HVA SA ODDVAR BRÅ DA HAN BRAKK STAVEN? THIS IS A LIVING DOCUMENT that will be updated over time. It consist of a set of illustration pictures that you can use in your own presentations. ROBERT ENGELS Tel:
DetaljerTidsdomene analyse (kap 3 del 2)
INF3470 Digital signalbehandling Tidsdomene analyse (kap 3 del 2) Sverre Holm 3.9 Diskret konvolusjon Metode for å finne responsen fra et filter med 0 initialbetingelser, fra impulsresponsen h[n] Enkelt
DetaljerLæreplan, nivå 1. Innhold / tema. Hovedområde Kompetansemål Elevene skal kunne: Tall og algebra:
Kartlegging / vurdering av nivå Begynn året med et kort kurs i tall-lære og matematiske symboler. Deretter kartlegging som plasserer elevene i nivågruppe. De som kan dette, jobber med tekstoppgaver / problemløsning.
DetaljerModul nr Elektrisitet med digitale hjelpemidler - vgs
Modul nr. 1219 Elektrisitet med digitale hjelpemidler - vgs Tilknyttet rom: Ikke tilknyttet til et rom 1219 Newton håndbok - Elektrisitet med digitale hjelpemidler - vgs Side 2 Kort om denne modulen Denne
DetaljerFylkeskommunenes landssamarbeid. Eksamensveiledning. - om vurdering av eksamensbesvarelser LOKALT GITT SKRIFTLIG EKSAMEN
Fylkeskommunenes landssamarbeid Eksamensveiledning - om vurdering av eksamensbesvarelser LOKALT GITT SKRIFTLIG EKSAMEN MED1003 - Medieproduksjon Eksamensveiledning for lokalt gitt skriftlig eksamen i fylkeskommunenes
Detaljer* + & 2 ( 3+ /. + 4 ( ' 5 ' " 5 0 *. :(( 4 4( " 5
*+&", -./0 "!"# $%&'&()'&' '&' *+&2(3+/.+4(+ 567'5' 468 9 " 5 0 *.:((44(4 " 5 ! " ((44.+&& 5&&! # $! % $!! &'& ( -; " -( )# * #' +!, + -; -( - -; -(.,! -; -( $ -; -( ( " -; " -( / - &0. -; -( * 0 $ # -;
DetaljerFørste bestilling av kurs
DataPower Learning Online Første bestilling av kurs for bedriftskunder Versjon 2.x OKOKOK 1 Bestilling Finn aktuelt kurs For å finne det kurset du er på utkikk etter, kan du enten søke i søkefeltet eller
DetaljerLæringsmål og pensum. if (be): else (not_to_be):
1 TDT4110 Informasjonsteknologi grunnkurs: Tema: Betingelser og logiske uttrykk - 3rd edition: Kapittel 3 Professor Alf Inge Wang 2 if (be): else (not_to_be): 3 Læringsmål og pensum Mål Lære å bruke og
DetaljerComputers in Technology Education
Computers in Technology Education Beregningsorientert matematikk ved Høgskolen i Oslo Skisse til samlet innhold i MAT1 og MAT2 JOHN HAUGAN Både NTNU og UiO har en god del repetisjon av videregående skoles
DetaljerDigitale ferdigheter og digital dømmekraft Voksenopplæring Buskerud 16. august 2016
Digitale ferdigheter og digital dømmekraft Voksenopplæring Buskerud 16. august 2016 Min plan for dagen Hva er digital kompetanse og hvorfor er det så viktig? Digitale verktøy og ressurser Digital klasseledelse
DetaljerSandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN I MATEMATIKK 9. TRINN SKOLEÅR 2014-2015
Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN I MATEMATIKK 9. TRINN SKOLEÅR 2014-2015 Periode 1: UKE 34-38 Tema: Kap.1 «Tall og tallforståelse» sammenligne og omregne hele tall ( ) og tall på standardform,
DetaljerINF2820 Datalingvistikk V2014. Jan Tore Lønning
INF2820 Datalingvistikk V2014 Jan Tore Lønning INF2820 Datalingvistikk 19. januar 2014 2 I dag: 1. Time: Datalingvistikk: motivasjon og eksempler Praktisk informasjon 2. Time: Endelige tilstandsteknikker
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer
DetaljerBrukerveiledning - secure.nhh.no og secure.privnett.nhh.no
Brukerveiledning - secure.nhh.no og secure.privnett.nhh.no NHH tilbyr ansatte og studenter ekstern tilgang til NHH-interne ressurser slik som M-området, felles filområder, bibliotektjenester m.m. Tjenesten
DetaljerOversikt, kursdag 5. Matematisk morfologi V. Hva er segmentering. Hva er segmentering. Lars Aurdal Norsk regnesentral
Matematisk morfologi V Lars Aurdal Norsk regnesentral Lars.Aurdal@nr.no 4. desember 2003 Segmentering: Watershedtransformen. Oversikt, kursdag 5 Copyright Lars Aurdal, NTNU/NR Copyright Lars Aurdal, NTNU/NR
DetaljerSensor-styrt ugrasharving* i bygg**
Nya tekniker för hållbar ogräsbekämpning Sensor-styrt ugrasharving* i bygg** Therese W. Berge Norsk Institutt for Bioøkonomi (NIBIO) therese.berge@nibio.no *) sv/da=ogräsharvning/ukrudtsstrigling; **)
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1120 Statistiske metoder og dataanalyse 2. Eksamensdag: Mandag 30. mai 2005. Tid for eksamen: 14.30 17.30. Oppgavesettet er
DetaljerKlassifikasjon i SAR-bilder ved bruk av ulike preprosesseringsteknikker og klassifikatorer
FFI-rapport 2008/00443 Klassifikasjon i SAR-bilder ved bruk av ulike preprosesseringsteknikker og klassifikatorer Nina Ødegaard Forsvarets forskningsinstitutt (FFI) 19. desember 2008 FFI-rapport 2008/00443
DetaljerSandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE I MATEMATIKK 9.TRINN SKOLEÅR Side 1 av 9
Sandefjordskolen BREIDABLIKK UNGDOMSSKOLE ÅRSPLAN FOR FORESATTE I MATEMATIKK 9.TRINN SKOLEÅR 2016-2017 Side 1 av 9 Periode 1: UKE 33-UKE 39 Tema: Tall og tallforståelse sammenligne og omregne hele tall,
DetaljerHøgskolen i Oslo og Akershus. c) Et annet likningssystem er gitt som. t Bestem parametrene s og t slik at likningssystemet blir inkonsistent.
Innlevering i BYFE 000 Oppgavesett Innleveringsfrist: 0 oktober klokka :00 Antall oppgaver: 6 Noen av disse oppgavene løses ved hjelp av papir blyant, mens andre oppgaver løses ved hjelp av MATLAB til
DetaljerStudieretningen Digital kommunikasjon og signalbehandling. To hovedprofiler fra 4. Klasse:
Studieretningen Digital kommunikasjon og signalbehandling To hovedprofiler fra 4. Klasse: Lyd- og bildebehandling Trådløs kommunikasjon Kontaktinformasjon Magne H. Johnsen Studieveileder Rom C-331 Telefon:
DetaljerINF INF1820. Arne Skjærholt. Negende les INF1820. Arne Skjærholt. Negende les
Arne Skjærholt egende les Arne Skjærholt egende les σύνταξις Syntaks, fra gresk for oppstilling, er studiet av hvordan vi bygger opp setninger fra ord. Pāṇini (ca. 400 år f.kr.) er den første som formulerer
DetaljerKurs i automatisk skog kartlegging 5-7 september 2018
Kurs i automatisk skog kartlegging 5-7 september 2018 juni 2018 TerraNor har gleden av å invitere til kurs i bruken av ecognition Developer fra Trimble, verdens mest avanserte program for objekt analyse
DetaljerVurdering av arbeidsoppgaven produksjon av juletrefot
Vurdering av n produksjon av juletrefot ØSTFOLD FYLKESKOMMUNE Oppgave: Arbeidsoppdrag Når du har gjennomført arbeidet, skal du vurdere ditt eget arbeid i samarbeid med læreren din. Listen [1] Oppgave Vurdering
DetaljerMer om Histogramprosessering og Convolution/Correlation
Mer om Histogramprosessering og Convolution/Correlation Lars Vidar Magnusson January 30, 2017 Delkapittel 3.3 Histogram Processing Delkapittel 3.4 Fundementals of Spatial Filtering Lokal Histogramprosessering
DetaljerHvordan legge inn en medlemshage i Hageselskapets nettportal
Hvordan legge inn en medlemshage i Hageselskapets nettportal Av Ole Petter Vik, Asker Versjon 2.1 06.02.2015 Alle medlemmer i Hageselskapet har mulighet til å legge inn informasjon om sin egen hage på
DetaljerKap. 5: Oppgaver m.m. (Noen lysark fra tidligere er gjentatt her) Stein Krogdahl, Ifi, UiO 8. Mars 2007
Kap. 5: Oppgaver m.m. (Noen lysark fra tidligere er gjentatt her) Stein Krogdahl, Ifi, UiO 8. Mars 2007 1 Typisk Yacc-produsert parseringstabell (merk påfyll av ekstra reduksjoner, som en plass-optimalisering
DetaljerTips til nettlærere: Hvordan tenke universell utforming av undervisning i Classfronter
Tips til nettlærere: Hvordan tenke universell utforming av undervisning i Classfronter Skrevet av Ragni Indahl, prosjektkoordinator for prosjekt om universell utforming Institutt for kulturstudier (IKS),
DetaljerTDT4110 Informasjonsteknologi grunnkurs: Tema: Betingelser og logiske uttrykk. - 3rd edition: Kapittel 3. Professor Alf Inge Wang
1 TDT4110 Informasjonsteknologi grunnkurs: Tema: Betingelser og logiske uttrykk - 3rd edition: Kapittel 3 Professor Alf Inge Wang 2 if (be): else (not_to_be): 3 Læringsmål og pensum Mål Lære å bruke og
Detaljer